具有结构引导的跨尺度Mamba用于路面裂缝分割

《Engineering Applications of Artificial Intelligence》:Cross-scale Mamba with structural guidance for pavement crack segmentation

【字体: 大 中 小 】 时间:2026年10月24日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

   **摘要** 在高速车载检测中进行准确的路面裂缝分割对于病害量化和高速公路维护至关重要。现有基于深度学习的方法难以有效建模路面图像中全局特征与局部特征之间的部分上下文相关性,导致在复杂场景中裂缝分割不完整。此外,现有垂直视角数据集由于背景复杂度不足和采集真实感有限,无法充分

  

**摘要**

在高速车载检测中进行准确的路面裂缝分割对于病害量化和高速公路维护至关重要。现有基于深度学习的方法难以有效建模路面图像中全局特征与局部特征之间的部分上下文相关性,导致在复杂场景中裂缝分割不完整。此外,现有垂直视角数据集由于背景复杂度不足和采集真实感有限,无法充分反映真实世界的高速公路场景。为应对这些挑战,我们提出了一种轻量级跨尺度Mamba网络,能够准确提取路面图像中不同尺度的上下文特征,从而在干扰丰富的高速公路场景中实现鲁棒的裂缝分割。具体而言,与传统选择性扫描方法相比,我们提出了双尺度二维选择性扫描模块,通过双分辨率上下文建模和区域对齐扫描来缓解长距离特征的"遗忘"问题。此外,我们引入了带有结构门控机制的动态跨尺度特征聚合模块,以选择性地增强判别性特征并抑制冗余响应。另外,我们引入了由粗到细的形态学监督策略来替代固定目标的辅助监督,逐步注入结构先验,以实现稀疏微小裂缝的更准确定位。为实现真实世界验证,我们构建了一个车载检测采集的垂直视角高速公路裂缝分割数据集,包含多样化的真实世界干扰。与13种代表性方法相比,所提出的网络在测试数据集上仅以8.18十亿次浮点运算实现了71.86%的F1分数。

**引言**

路面裂缝由持续的交通载荷和环境退化引起,会加速结构劣化并危及行车安全。为减轻这些风险,车载检测系统(Peng et al., 2026; Huang et al., 2026)(图1(a))通过利用图像分割来量化裂缝(Zou et al., 2019; Yan et al., 2025),为大规模路面监测提供了一条有前景的途径。尽管具有这一潜力,准确高效的分割仍受到真实背景干扰多样性(Sekar and Perumal, 2024)和动态车辆场景复杂性(Shang et al., 2024)的阻碍。

近期用于裂缝分割的深度学习方法表明,基于卷积神经网络(CNN)的编码器-解码器架构由于其在局部特征提取方面的高效性(Yu et al., 2022)和平移不变性(S. Liu et al., 2024)而能够实现良好的性能。然而,卷积操作中固定的感受野限制了其捕获具有复杂裂缝模式的路面图像中多尺度形态和全局上下文的能力(Liu et al., 2021)。为克服这些局限,基于Transformer的方法被广泛研究,用于建模裂缝像素的长距离上下文依赖关系(Zheng et al., 2025)。然而,Transformer中的非局部块对局部细节和噪声较为敏感,阻碍了判别性特征的学习,导致裂缝分割碎片化和边缘模糊。此外,自注意力模块的二次计算复杂度对实际场景的运行速度构成了重大挑战(Hatamizadeh and Kautz, 2025)。近期,基于Mamba的架构(Gu and Dao, 2024)以线性计算复杂度展现了捕获全局上下文关系的高能力(Shi et al., 2024)。通过采用门控机制(Lu and Du, 2025),这些方法可以动态过滤噪声并聚焦于边缘等关键特征。此外,其硬件感知和输入依赖的算法显著增强了计算并行的效率(Gu and Dao, 2024)。基于这些优势,当前研究(Huang et al., 2024; Bai et al., 2025)主要关注在Mamba架构中创新扫描路径,以更好地捕获复杂结构的各向异性和不规则特征。

然而,现有基于Mamba的方法难以应对车载路面裂缝分割,原因有三项关键挑战:(i)因果建模机制导致与裂缝相关的特征在长距离传播过程中衰减,从而造成特征之间长距离依赖的"遗忘",尤其是在处理具有复杂交互和多尺度裂缝情况的高分辨率图像时;(ii)用于裂缝分割的多种空间扫描路径不可避免地捕获相似视觉特征,导致特征冗余。此外,引入这些路径所产生的计算冗余阻碍了建模长距离空间相关关系以检测裂缝像素的运行时效率;(iii)现有裂缝数据集很少反映具有多样化背景干扰和微小裂缝的复杂真实世界高速公路场景,从而限制了模型在动态车载检测下的泛化性和鲁棒性。这些局限性表明,尽管路面裂缝分割已被广泛研究,现有解决方案仍然难以在高分辨率车载场景中同时实现细节保真、背景干扰抑制和计算效率。

为从新视角解决这一既定问题,我们提出了一种轻量级结构引导的跨尺度Mamba(SGC-Mamba)网络,用于真实世界高速公路场景中的鲁棒路面裂缝分割。SGC-Mamba的科学创新在于对序列传播、跨路径聚合和分层监督的协同处理。具体而言,为缓解长距离"遗忘"问题,我们引入了双尺度二维选择性扫描(DS-SS2D)模块。与传统单分辨率SS2D不同,DS-SS2D通过通道级拆分构建互补的双分辨率路径,在粗尺度上高效传播全局上下文,同时在高分辨率上保留精细尺度特征。DS-SS2D进一步采用区域对齐扫描方案来同步粗/精细布局,实现区域级交互并减少跨尺度空间错位(Shi et al., 2024)。在这些扫描表示的基础上,我们设计了动态跨尺度特征聚合(DCSFA)模块。它首先通过自适应多尺度重加权融合粗尺度和精细尺度特征,然后利用对齐扫描路径间的相对离散度构建共享结构门控来抑制空间冗余的背景响应。为了更好地分割稀疏微小裂缝,我们提出了由粗到细的形态学监督(CFMS)策略。与依赖预测的细化方法不同,CFMS生成逐级形态学膨胀监督掩码序列,从粗到细提供可控的结构引导。这种膨胀监督通过专用的形态学引导注意力机制逐步注入网络,以抑制复杂场景中的背景干扰。

此外,我们构建了一个新的分割数据集BLACrack,采集自高速(80 km/h)车载检测,旨在反映复杂的真实世界高速公路场景。BLACrack提供高分辨率(3100 × 2088)的俯拍路面图像及像素级标注,涵盖具有挑战性的场景。如图1(b)所示,BLACrack比现有垂直视角路面裂缝数据集具有更大的图像尺度和更丰富的干扰多样性,能够实现精确的微小裂缝分割和更可靠的裂缝量化。为惠益研究界,该数据集可在以下网址公开获取:https://huggingface.co/datasets/lambert1862/BLACrack。如图1(c)所示,在相同实验设置下,与表现最佳的CNN、Transformer和Mamba方法相比,SGC-Mamba的mIoU分别提高了1.10%、0.54%和0.38%。同时,SGC-Mamba包含377万个参数,仅需8.18G浮点运算,并在RTX 4090上以60帧每秒运行,在比较方法中展现出有利的精度-效率权衡。总之,我们的主要贡献如下:

- 我们设计了一种专为真实世界高速公路场景量身定制的轻量级裂缝分割网络。其DS-SS2D模块将通道级双尺度建模与区域对齐扫描相结合,有效缓解了长距离"遗忘"问题并改善了跨尺度空间对齐。

- 我们设计了一个动态跨尺度特征聚合模块,自适应融合粗/精细特征,并采用跨路径离散度门控机制来抑制冗余背景响应同时保留裂缝线索。

- 我们设计了一种由粗到细的监督策略。它利用形态学膨胀监督掩码和专用注意力机制来引导网络聚焦于裂缝区域,从而抑制背景干扰并改善稀疏微小裂缝的分割。

- 我们构建了一个新的高分辨率垂直视角裂缝分割数据集,采集自车载高速公路检测,实现了无失真的裂缝量化并促进在复杂真实世界场景中训练鲁棒模型。

本文其余部分组织如下:第2节回顾了裂缝分割相关的工作。第3节详细介绍了所提出的模型。第4节介绍了实验设置并评估了所提出的方法。第5节讨论了本研究的局限性,第6节对全文进行了总结。

**相关工作**

本节广泛回顾了深度学习时代的裂缝分割方法。与本研究相关的方法可分为三类:基于CNN的方法、基于Transformer的方法和基于Mamba的方法。

**所提出的方法**

本研究的目标是准确检测裂缝像素并高效实现裂缝分割。为此,我们利用并整合编码器-解码器框架内的局部和全局上下文特征,提出了我们的模型。图2提供了所提出模型的概述。它包含四个主要组件:(i)编码器中的轻量级CNN主干;(ii)编码器中堆叠的区域级跨尺度Mamba块;(iii)带有边缘增强的跳跃连接的对称解码器;以及……

**实验**

在本节中,我们介绍了新采集的数据集并将其与公开可用的基准数据集进行比较。详细介绍了实验设置和实现细节,随后对我们的方法与最新裂缝分割方法在新采集数据集和常用基准上的全面比较进行了展示。此外,进行了广泛的消融实验来评估所提出框架的有效性。

**讨论**

尽管SGC-Mamba实现了良好的分割精度和效率,但仍存在若干局限性。BLACrack在单一地理区域使用固定的车载成像系统采集,未覆盖极端天气条件。虽然在未见数据集上保持了合理的性能,但跨数据集结果表明仍存在一定程度的领域偏移。此外,裂缝尺寸评估缺乏独立的实地测量,未来的数据集应包含……

**结论**

在本研究中,我们提出了一种轻量级跨尺度Mamba网络,用于真实世界高速公路场景中的车载路面裂缝分割。在网络中,DS-SS2D通过双尺度区域对齐扫描缓解了长距离特征"遗忘",而DCSFA动态聚合跨尺度特征以抑制冗余背景响应。此外,CFMS策略逐步定位裂缝区域,显著增强了稀疏微小裂缝的分割效果。

**CRediT作者贡献声明**

李德祥:撰写-审阅与编辑,撰写-原稿,可视化,验证,软件,资源,项目管理,方法论,调查研究,资金获取,形式化分析,数据管理,概念化。

张海军:撰写-审阅与编辑,概念化。

姬玉柱:监督,概念化。

张旺东:撰写-审阅与编辑,监督。

冯鑫:数据管理。

李明光:数据管理。

**利益冲突声明**

作者声明不存在已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。

**致谢**

本工作部分由国家重点研发计划(资助号2025YFE0101100)支持,部分由辽宁省交通投资集团2025年度研究项目(资助号[2025]62)支持。

李德祥 | 张海军 | 姬玉柱 | 张旺东 | 冯鑫 | 李明光
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号